Инвариантность во времени
Визуализация исходных данных — всегда хорошая отправная точка, однако зачастую она малоинформативна, когда нужно различить два класса точек данных. Данные, как правило, зашумлены или обладают сложными паттернами, которые невозможно обнаружить невооружённым глазом.
Ещё один распространённый способ выявить простые различия между двумя наборами данных — усреднить значения по множеству экземпляров одного класса. Это может помочь устранить шум и обнаружить скрытые закономерности (а может и не помочь).
В этом упражнении вы усредните данные по множеству экземпляров каждого класса звуков сердцебиения.
Два объекта DataFrame (normal и abnormal) и массив времени (time) из предыдущего упражнения уже доступны в вашем рабочем пространстве.
Это упражнение является частью курса
Машинное обучение для данных временных рядов на Python
Инструкции к упражнению
- Усредните аудиофайлы из
normalиabnormalпо всем экземплярам, сохранив временное измерение. - Визуализируйте полученные средние значения в зависимости от времени.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Average across the audio files of each DataFrame
mean_normal = np.mean(normal, axis=____)
mean_abnormal = np.mean(abnormal, axis=____)
# Plot each average over time
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 3), sharey=True)
ax1.plot(____, ____)
ax1.set(title="Normal Data")
ax2.plot(____, ____)
ax2.set(title="Abnormal Data")
plt.show()